Durch die Analyse von Daten aus verschiedenen Quellen und den Einsatz von Machine-Learning-Algorithmen ist das System in der Lage, die Bedarfsprognose zu automatisieren und damit die Beschaffungs- und Einkaufsvorgänge zu optimieren sowie die Produktionsprozesse zu verbessern.
Ziele
- Erstellung von Prognosen, die Informationen über die Zukunft auf operativer Ebene liefern
- Bereitstellung eines Hilfsmittels zur Entscheidungsfindung auf Managementebene
- Vermittlung von Geschäftswissen während der Analysephase
Die Kenntnis der Nachfrage nach einem Produkt oder einer Dienstleistung war schon immer ein sehr wichtiger Faktor in allen Geschäftsbereichen, vom Nachbarschaftsladen bis hin zu großen Logistik- oder Energieunternehmen. Der Übergang von geschäftlichen Entscheidungen auf Basis von „Bauchgefühl“ wurde durch die Datenanalyse in Tabellenkalkulationen ersetzt und ist nun durch die Implementierung von „Machine Learning“-Algorithmen überholt, die in der Lage sind, all diese Berechnungen zu automatisieren und in großem Umfang durchzuführen.
Was wir tun
Nachdem wir das Geschäft und die Besonderheiten Ihrer Daten im Detail kennengelernt haben, führen wir explorative Analysen durch, um zu bestimmen, welche Algorithmen und Konfigurationen geeignet sind. Unter Verwendung sowohl univariater als auch multivariater Methoden können wir Zeitreihen von Verbrauch, Produktion oder Ausgaben vorhersagen. Diese werden in ETL-Prozesse integriert, und in einem iterativen Prozess, der durch heuristische Regeln automatisiert werden kann, werden die Algorithmen ausgewählt, die die besten Ergebnisse liefern.
Unsere Vorgehensweise
Explorative Analyse
Wir analysieren die Datenqualität und stellen die Informationen auf vielfältige Weise dar (Linien-Punkte, Histogramme, Boxplots), um die wertvollsten Erkenntnisse zu identifizieren und diese mit dem Geschäftswissen des Kunden abzugleichen.
Diese Phase wird mithilfe der Python-Bibliothek pandas durchgeführt.
Algorithmenauswahl
Wir verfügen über implementierte Algorithmen (Naive, SNaive, HoltsWinter, STLF, Forecast, VAR, Prophet) oder implementieren bei Bedarf neue (zum Beispiel neuronale Netze vom Typ LSTM). Die Validierung der Algorithmen erfolgt anhand von Fehlermetriken, um den am besten geeigneten auszuwählen.
Datennutzung
Wir erstellen ein Dashboard zur Visualisierung der Ergebnisse, das auf die Bedürfnisse und Anforderungen des Kunden zugeschnitten ist und ihm ermöglicht, datengesteuerte Entscheidungen zu treffen.
Falls erforderlich, werden auch die heuristischen Regeln implementiert, die für die Neuauswahl von Algorithmen/Konfigurationen verwendet werden.